Overslaan en naar hoofdinhoud gaan

Data & Intelligence december 20, 2018

Personalisatie en data: twee keer klikken is één keer te veel

Image

Binnen marketing is personalisatie de afgelopen jaren een hot topic. Waar veel traditionele communicatie vaak een one size fits all is, geven online media ons de mogelijkheid doelgroepen goed in kaart te brengen. We weten veel van (potentiële) klanten en kunnen de boodschap daarom steeds beter laten aansluiten op hun wensen, wat een bewezen positief effect heeft op de omzet. Bovendien wordt personalisatie door consumenten inmiddels ook verwacht. Hoewel de mogelijkheden om te personaliseren steeds geavanceerder worden en er inmiddels wordt gesproken over hyperpersonalisatie, zien we dat het in de praktijk nog maar weinig wordt toegepast.

Personalisatie geeft bedrijven een competitive advantage. Disruptive startups zijn in staat de markt op z’n kop te zetten door een hypergepersonaliseerd aanbod te leveren, of een heel goede persoonlijke match te creëren tussen een aanbieder en de consument, die tenslotte een steeds kortere aandachtsspanne heeft. Het succes van de Ubers en Airbnb’s van de wereld is dus voor een groot deel toe te schrijven aan de mate van personalisatie die ze kunnen leveren.

Data verzamelen en opslaan

Traditionele corporates beseffen dat ze op het vlak van personalisatie de laatste jaren links en rechts zijn ingehaald en hebben het daarom hoog op de agenda staan. Maar als we kijken naar wat er de facto aan personalisatietrajecten wordt opgezet is er maar een handvol klanten waarbij we bijvoorbeeld met behulp van machine learning en algoritmes aan 1-op-1-personalisatie werken.

Toegegeven, voor veel bedrijven is dat wellicht nog een brug te ver en is een goede eerste stap het centraal verzamelen en opslaan van de data van alle kanalen en touchpoints met de klant. Dit kan in een data warehouse, een opslag in eigen beheer, of middels een DMP (data management platform), zodat er een totaalbeeld ontstaat van de consument. Het op orde hebben van die datasets – volgens de GDPR-norm – is de basis. Wanneer een bedrijf het data warehouse en de cloud goed inricht, komt het al een heel eind. DMP’s worden op dit moment nogal overgehyped en worden eigenlijk pas interessant voor grote bedrijven die hard groeien en met een grote diversiteit aan data werken.

Van segmentatie naar machine learning

De eerste stap is dus het overzichtelijk in kaart brengen van alle data. Vervolgens kunnen marketeers en CRO-experts die data gaan opdelen in segmenten. Denk aan de indeling man-vrouw, waar iemand woont en of iemand al is ingeschreven voor de nieuwsbrief.

Naarmate die data wordt verrijkt en er een compleet user profile ontstaat, kunnen er nog veel complexere segmenten gemaakt worden. Uiteindelijk worden die segmenten en scenario’s zo specifiek dat het voor mensen lastig wordt om ze nog op basis van regels te definiëren en analyseren. Dat is het kantelpunt waarop er machine learning aan te pas moet komen.

Personalisatie-maturity

Als ‘industrie’ zijn we inmiddels in de fase beland waarin de toepassing van machine learning gangbaar is en doen we veel custom implementaties. We voorspellen dan bijvoorbeeld of iemand gaat kopen en die voorspelling wordt gebruikt in het personaliseren van de website en media. De ontwikkeling in maturity van data en personalisatie gaan dus hand in hand. Als die ontwikkeling vergevorderd is, kan het raadzaam zijn met een DMP te gaan werken. Dat maakt het mogelijk de gedefinieerde doelgroepen en segmenten te herkennen en ze zowel cross-device als cross-channel dezelfde, gepersonaliseerde boodschap voor te schotelen. In dit proces van ‘personalisatie-maturity’ hebben verschillende teams – marketeers, data scientists, CRO-experts – hun afzonderlijke focus, maar werken ze gezamenlijk naar hetzelfde doel toe: het zo relevant mogelijk maken van de user experience.

Hierbij moet benadrukt worden dat het gaat om de personalisatie van zowel de media als de platformen, zoals de website en de app. Denk aan dezelfde look en feel in je media als op je website.

Machine learning als een commodity

Personalisatie kan niet los gezien worden van de ontwikkelingen in machine learning. We zijn inmiddels al in een fase dat veel tools en software voor machine learning door bijvoorbeeld Google, Salesforce en Adobe standaard worden meegeleverd in hun softwarepakketten. Die zijn toepasbaar op generieke user cases en kunnen met een druk op de knop worden geactiveerd. In die zin is machine learning een commodity geworden, iets wat door bedrijven op grote schaal wordt gebruikt, in tegenstelling tot een in ontwikkeling zijnde technologie waarin nog veel wordt geïnvesteerd. Die tools zijn gewoon beschikbaar in het CRM en data warehouse, en kunnen in principe door iedereen worden geactiveerd.

Data scientist out of belangrijker dan ooit?

De vraag rijst dan ook wat dat betekent voor het werk van de data scientist, die in dit proces van sales forecasting, het voorspellen van het aantal sales in de toekomst, voor de generieke user cases eigenlijk niet meer nodig is. Maar tegelijkertijd groeien bedrijven steeds verder in hun personalisatie-maturity en ontstaan er meer ‘problemen’ die machine learning als commodity niet kan oplossen. Dit betekent dus dat er op termijn juist méér data scientists nodig zijn om machine learning op al die unieke cases en uitdagingen toe te passen.

Kortom, door de groeiende vraag wordt machine learning geautomatiseerd en beschikbaar gemaakt in grote softwarepakketten, maar uiteindelijk komen er veel meer user cases die een data scientist nodig hebben om juist geïnterpreteerd te kunnen worden. De beweging van internet of things is niet te stoppen. Het duurt niet lang meer voor winkelcentra in smart cities zullen werken met beacons, die een compleet beeld geven van elke stap die de bezoekers zetten. Dat geeft enorme hoeveelheden data, die het mogelijk zullen maken hele specifieke personalisatietrajecten op te starten. Daarin wordt de rol van de data scientist alleen maar groter.

Babysteps

Toegegeven, dit is voor veel bedrijven nog een ver-van-hun-bed-show. Een realistischer startpunt is het op orde hebben van datasets. De eerste vraag die een organisatie zichzelf kan stellen is: hoe word ik relevanter voor mijn doelgroep? En daarmee dus specifiek voor alle segmenten binnen die doelgroep. Van daaruit kunnen dan steeds verdergaande stappen worden gezet richting personalisatie. Het is een proces.

Vragen? We helpen je graag!